論文の概要: Lightweight LiDAR-Based Cone Detection Framework Using Random Forest for Formula Student Driverless
- arxiv url: http://arxiv.org/abs/2609.11527v1
- Date: Thu, 10 Sep 2026 13:28:53 GMT
- ステータス: 翻訳完了
- システム内更新日: 2026-09-11 23:53:35.371097
- Title: Lightweight LiDAR-Based Cone Detection Framework Using Random Forest for Formula Student Driverless
- Title（参考訳）: ランダムフォレストを用いた軽量LiDARコーン検出フレームワーク
- Abstract要約: 本稿では,CPU実行に適した軽量LiDARのみの知覚パイプラインを提案する。
これは、地面除去、IMUに基づく運動補償、DBSCANクラスタリング、および幾何学的特徴に基づくランダムフォレスト分類を組み合わせたものである。
パイプラインは98.33%のF1スコアと3.13ミリ秒のエンドツーエンドランタイムを実現している。
- 参考スコア（独自算出の注目度）: 2.675957073325146
- License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
- Abstract: Reliable, low-latency perception is crucial for Formula Student Driverless vehicles, yet many existing pipelines rely on deep learning and multi-sensor fusion, often requiring GPU acceleration. This paper presents a lightweight LiDAR-only perception pipeline tailored for CPU execution, combining ground removal, IMU-based motion compensation, DBSCAN clustering, and geometric feature-based Random Forest classification. Feature importance analysis reduced the model input from 12 to 7 features while preserving performance. Evaluated on 2,371 labeled clusters collected from real FSD events, the pipeline achieves an F1-score of 98.33% and an end-to-end runtime of 3.13 ms on CPU-only hardware. The released dataset, labeling tool, and trained models provide a practical and reproducible baseline for other resource-constrained autonomous racing teams.
- Abstract（参考訳）: フォーミュラ学生ドライバーレス車には信頼性と低レイテンシの認識が不可欠だが、多くの既存のパイプラインはディープラーニングとマルチセンサー融合に依存しており、GPUアクセラレーションを必要とすることが多い。
本稿では, 地表面の除去, IMUに基づく動き補償, DBSCANクラスタリング, および幾何学的特徴に基づくRandom Forest分類を組み合わせた, CPU実行に適した軽量LiDAR専用知覚パイプラインを提案する。
特徴重要度分析により、モデル入力を12から7に減らし、性能を保った。
実際のFSDイベントから収集された2,371のラベル付きクラスタで評価され、パイプラインは98.33%のF1スコアと、CPU専用ハードウェアで3.13ミリ秒のエンドツーエンドランタイムを達成した。
リリースされたデータセット、ラベル付けツール、トレーニングされたモデルは、他のリソースに制約された自律レースチームにとって実用的で再現可能なベースラインを提供する。
関連論文リスト
- Solution for UCF UrbanTwin V2X-Real Track: Sim-to-Real Urban LiDAR 3D Object Detection [54.03436243843709]
本報告では,Sim2Real 3D検出のためのマルチソース協調学習とクラス認識融合フレームワークを提案する。
この方法は、デジタルツインスキャン、拡散露光スキャン、密度安定化スキャン、歩行者形態に整列したサンプルを補完的な役割を持つ統合トレーニングプールに整理する。
論文 参考訳（メタデータ） (2026-09-07T15:16:15Z) - DriveVer: Lightweight Trajectory Evaluator as Test-Time Verifier for Autonomous Driving [8.267228986831894]
DriveVerはライトウェイトでプラグ&プレイのTest-Time Verifierで、自動運転システムが高価な重い訓練をすることなく軌道の検証と洗練を可能にする。
本稿では,DriveVerが基本計画モデルの性能を大幅に向上させることを示す。特に,34Mパラメータしか持たない極めてコンパクトなモデルとして,DriveVerは最小の計算オーバーヘッドを導入し,競争力のある結果を得る。
論文 参考訳（メタデータ） (2026-07-01T03:50:45Z) - SimpleSearch-VL: A Simple Recipe for Multimodal Agentic Deep Search [60.29041788383166]
マルチモーダルエージェント検索のための,効率的で信頼性が高く,実用的なフレームワークであるSimpleSearch-VLを提案する。
SimpleSearch-VLは、データやツール、補助モデルコンポーネントをスケールするのではなく、エージェント自身の検索と検証プロセスを改善する。
論文 参考訳（メタデータ） (2026-06-30T11:22:24Z) - Physics-Informed Reinforcement Learning of Spatial Density Velocity Potentials for Map-Free Racing [73.88859384645264]
Out-Of-Distribution (OOD) の様々なレーストラックへの一般化は、機械学習(ML)を用いて、エンドツーエンド制御のためのセンサデータと車両アクチュエーターの間の数学的関係を符号化する。
本稿では,非幾何学的,物理インフォームド報酬を用いた深度測定のスペクトル分布から非線形車両動特性をパラメータ化して,ニューラルネットワーク(ANN)による車両の時間最適・乗換レース制御を推定するDRL法を提案する。
このポリシーは、経験的なパセジカタイヤモデルに似たタイヤのダイナミックスで摩擦円を最大化することで、OODトラックの12%で人間のデモより優れています。
論文 参考訳（メタデータ） (2026-04-10T17:12:07Z) - Rep Smarter, Not Harder: AI Hypertrophy Coaching with Wearable Sensors and Edge Neural Networks [0.9939775124582318]
単一手首搭載慣性測定器(IMU)のみを用いた抵抗運動時の近距離損傷状態のリアルタイムフィードバックシステムを提案する。
ResNetベースのモデルセグメントは、6軸IMUデータからリアルタイムで繰り返し、分類モデルは、ほぼ障害状態に対応する運動窓を特定する。
Raspberry Pi 5への展開は平均で112ms、iPhone 16では23.5msとなり、エッジ計算の可能性が確認された。
論文 参考訳（メタデータ） (2025-12-05T01:49:47Z) - MeanFlow Transformers with Representation Autoencoders [71.45823902973349]
MeanFlow(MF)は、ノイズからデータへのジャンプを直接学習することで、効率的な数ステップ生成を可能にする拡散動機付き生成モデルである。
我々は、表現オートエンコーダ(RAE)の潜在空間におけるMFの効率的なトレーニングとサンプリング手法を開発する。
1ステップのFIDが2.03であり,バニラMFの3.43を上回っ,GFLOPSのサンプリングを38%削減し,ImageNet 256のトレーニングコストを83%削減した。
論文 参考訳（メタデータ） (2025-11-17T06:17:08Z) - Real-Time Detection and Tracking of Foreign Object Intrusions in Power Systems via Feature-Based Edge Intelligence [4.60587070358843]
本稿では,電力伝送システムにおけるリアルタイム異物侵入(FOI)検出と追跡のための新しい枠組みを提案する。
本フレームワークは,(1)高速で堅牢なオブジェクトローカライゼーションのためのYOLOv7セグメンテーションモデル,(2)三重項損失を訓練したConvNeXtベースの特徴抽出器,(3)特徴支援IoUトラッカーを統合した。
スケーラブルなフィールドデプロイメントを実現するため、パイプラインは、混合精度推論を使用して、低コストのエッジハードウェアへのデプロイメントに最適化されている。
論文 参考訳（メタデータ） (2025-09-16T17:17:03Z) - Learning to Track Any Points from Human Motion [55.831218129679144]
点追跡のための擬似ラベル付きトレーニングデータを生成する自動パイプラインを提案する。
AnthroTAPでトレーニングされた点追跡モデルは、TAP-Vidベンチマークで注釈付き最先端性能を達成する。
論文 参考訳（メタデータ） (2025-07-08T17:59:58Z) - Lightweight LiDAR-Camera 3D Dynamic Object Detection and Multi-Class Trajectory Prediction [7.415417400188903]
サービス移動ロボットは、タスクを実行している間に動的オブジェクトを避ける必要があることが多い。
本稿では,3次元物体検出と軌道予測のための軽量なマルチモーダルフレームワークを提案する。
本システムは,3次元空間における歩行者,車両,ライダーのリアルタイム認識を実現するために,LiDARとカメラ入力を統合している。
論文 参考訳（メタデータ） (2025-04-18T11:59:34Z) - Quantized Distillation: Optimizing Driver Activity Recognition Models
for Resource-Constrained Environments [34.80538284957094]
本稿では,資源効率の高いドライバアクティビティ認識のための軽量フレームワークを提案する。
このフレームワークは、ビデオ分類のスピードに最適化されたニューラルネットワークである3D MobileNetを強化する。
モデルサイズを3倍に削減し、推論時間を1.4倍改善する。
論文 参考訳（メタデータ） (2023-11-10T10:07:07Z) - FastPillars: A Deployment-friendly Pillar-based 3D Detector [63.0697065653061]
既存のBEVベースの(つまりバードアイビュー)検出器は、トレーニングと推論を高速化するためにスパース・コンボリューション(SPConv)を好む。
FastPillarsは、CenterPoint(SPConvベース)よりも1.8倍のスピードアップと3.8mAPH/L2の改善で、Openデータセットの最先端の精度を提供する
論文 参考訳（メタデータ） (2023-02-05T12:13:27Z) - Accelerating Training and Inference of Graph Neural Networks with Fast
Sampling and Pipelining [58.10436813430554]
グラフニューラルネットワーク(GNN)のミニバッチトレーニングには、多くの計算とデータ移動が必要である。
我々は,分散マルチGPU環境において,近傍サンプリングを用いたミニバッチトレーニングを行うことを支持する。
本稿では,これらのボトルネックを緩和する一連の改良点について述べる。
また,サンプリングによる推論を支援する実験分析を行い,試験精度が実質的に損なわれていないことを示す。
論文 参考訳（メタデータ） (2021-10-16T02:41:35Z)
関連論文リストは本サイト内にある論文のタイトル・アブストラクトから自動的に作成しています。
指定された論文の情報です。
本サイトの運営者は本サイト（すべての情報・翻訳含む）の品質を保証せず、本サイト（すべての情報・翻訳含む）を使用して発生したあらゆる結果について一切の責任を負いません。